trustgraph/docs/tech-specs/extraction-provenance-subgraph.zh-cn.md

layout	title	parent
default	提取来源：子图模型	Chinese (Beta)

提取来源：子图模型

Beta Translation: This document was translated via Machine Learning and as such may not be 100% accurate. All non-English languages are currently classified as Beta.

问题

<<<<<<< HEAD 提取时 provenance 目前为每个提取的三元组生成完整的重构：一个唯一的 ⟦CODE_0⟧、⟦CODE_1⟧，以及与每个知识事实相关的 PROV-O 元数据。处理一个块 提取时 provenance 目前为每个提取的三元组生成完整的重构：一个唯一的 stmt_uri、activity_uri，以及与每个知识事实相关的 PROV-O 元数据。处理一个块 提取时 provenance 目前为每个提取的三元组生成完整的重构：一个唯一的 ⟦CODE_0⟧、⟦CODE_1⟧，以及与每个知识事实相关的 PROV-O 元数据。处理一个块 这会产生 20 个关系，并在其基础上产生约 220 个溯源三元组，而知识三元组约为 20 个，这导致了大约 10:1 的开销。

这既成本高昂（存储、索引、传输），又在语义上 不准确。每个片段都由单个 LLM 调用处理，该调用在一个事务中生成 所有其三元组。当前的每个三元组模型 通过制造 20 个独立提取 事件的假象来掩盖这一点。

提取时段的溯源信息目前会生成完整的实体化表示。 提取的三元组：一个唯一的 stmt_uri，activity_uri，以及与之相关的 PROV-O 元数据，用于每个知识事实。处理一个块 这会产生 20 个关系，并在其基础上产生约 220 个溯源三元组，而知识三元组约为 20 个，这导致了大约 10:1 的开销。

这既昂贵（存储、索引、传输），又在语义上 不准确。每个片段都由单个 LLM 调用处理，该调用在一个事务中生成 所有三元组。当前的每个三元组模型 通过产生 20 个独立提取 事件的幻觉来掩盖这一点。

82edf2d (New md files from RunPod)

此外，四个提取处理器中的两个（kg-extract-ontology、 kg-extract-agent）完全没有来源信息，这在审计 跟踪中留下了空白。

解决方案

<<<<<<< HEAD 将每个三元组的显式化替换为子图模型：每个数据块提取一个溯源记录，该记录在从该数据块生成的所有三元组中共享。

用 子图模型 替换三元组级别的显式化：每个数据块提取一个溯源记录，该记录与从该数据块生成的所有三元组共享。

82edf2d (New md files from RunPod)

术语变更

旧术语	新术语
stmt_uri (https://trustgraph.ai/stmt/{uuid})	subgraph_uri (https://trustgraph.ai/subgraph/{uuid})
statement_uri()	subgraph_uri()
<<<<<<< HEAD
tg:reifies (1:1, 相同)	tg:contains (1:多, 包含)

目标结构

所有溯源三元组都放入名为 urn:graph:source 的命名图中。

| tg:reifies (1:1, 身份) | tg:contains (1:多, 包含) |

目标结构

所有溯源三元组都存储在名为 urn:graph:source 的图中。

82edf2d (New md files from RunPod)

# Subgraph contains each extracted triple (RDF-star quoted triples)
<subgraph> tg:contains <<s1 p1 o1>> .
<subgraph> tg:contains <<s2 p2 o2>> .
<subgraph> tg:contains <<s3 p3 o3>> .

# Derivation from source chunk
<subgraph> prov:wasDerivedFrom <chunk_uri> .
<subgraph> prov:wasGeneratedBy <activity> .

# Activity: one per chunk extraction
<activity> rdf:type          prov:Activity .
<activity> rdfs:label        "{component_name} extraction" .
<activity> prov:used         <chunk_uri> .
<activity> prov:wasAssociatedWith <agent> .
<activity> prov:startedAtTime "2026-03-13T10:00:00Z" .
<activity> tg:componentVersion "0.25.0" .
<activity> tg:llmModel       "gpt-4" .          # if available
<activity> tg:ontology        <ontology_uri> .   # if available

# Agent: stable per component
<agent> rdf:type   prov:Agent .
<agent> rdfs:label "{component_name}" .

比较数据量

对于一个产生 N 个提取三元组的模块：

	旧方式（每个三元组）	新方式（子图）
tg:contains / tg:reifies	N	N
活动三元组	~9 x N	~9
代理三元组	2 x N	2
语句/子图元数据	2 x N	2
总的溯源三元组	~13N	N + 13
示例（N=20）	~260	33

范围

需要更新的处理器（现有溯源，每个三元组）

kg-extract-definitions (trustgraph-flow/trustgraph/extract/kg/definitions/extract.py)

<<<<<<< HEAD 目前，它在每个定义的循环内部调用 statement_uri() + triple_provenance_triples()。

当前，它在每个定义的循环内部调用 statement_uri() + triple_provenance_triples()。

82edf2d (New md files from RunPod)

更改： 将 subgraph_uri() 和 activity_uri() 的创建移到循环之前。 在循环内部收集 tg:contains 三元组。 循环结束后，一次性输出共享的活动/主体/推导块。

kg-extract-relationships (trustgraph-flow/trustgraph/extract/kg/relationships/extract.py)

模式与定义相同。 更改也相同。

<<<<<<< HEAD

需要添加的处理器，用于添加来源信息（目前缺失）

=======

需要添加的处理器，用于添加来源信息（当前缺失）

82edf2d (New md files from RunPod)

kg-extract-ontology (trustgraph-flow/trustgraph/extract/kg/ontology/extract.py)

<<<<<<< HEAD 目前会生成不带来源信息的三元组。添加子图来源信息。

目前会输出不带来源信息的三元组。添加子图来源信息。

82edf2d (New md files from RunPod) 使用相同的模式：每个块一个子图，对于每个提取的三元组使用 tg:contains。

kg-extract-agent (trustgraph-flow/trustgraph/extract/kg/agent/extract.py)

<<<<<<< HEAD 目前会生成不带来源信息的三元组。添加子图来源信息。

目前会输出不带来源信息的三元组。添加子图来源信息。

82edf2d (New md files from RunPod) 使用相同的模式。

共享来源库的更改

trustgraph-base/trustgraph/provenance/triples.py

将 triple_provenance_triples() 替换为 subgraph_provenance_triples() <<<<<<< HEAD 新函数接受一个提取的三元组列表，而不是单个三元组。

新函数接受提取的三元组列表，而不是单个三元组。

82edf2d (New md files from RunPod) 为每个三元组生成一个 tg:contains，共享活动/代理块。 移除旧的 triple_provenance_triples()

trustgraph-base/trustgraph/provenance/uris.py

将 statement_uri() 替换为 subgraph_uri()

trustgraph-base/trustgraph/provenance/namespaces.py

将 TG_REIFIES 替换为 TG_CONTAINS

不在范围之内

kg-extract-topics: 较旧的处理器，目前未在标准流程中使用。 kg-extract-rows: 生成的是行，而不是三元组，具有不同的数据来源模型。 查询时的数据来源 (⟦CODE_0⟧): 独立的关注点。 模型 <<<<<<< HEAD 查询时的数据来源信息 (urn:graph:retrieval)：独立的关注点， 已经使用了不同的模式（提问/探索/聚焦/综合）。 文档/页面/块的来源（PDF解码器，分块器）：已经使用了。 derived_entity_triples()，这对于每个实体而言，而不是每个三元组而言，因此没有 重复的问题。

查询时的数据来源信息 (urn:graph:retrieval): 独立的关注点， 已经使用了不同的模式（问题/探索/重点/综合）。 文档/页面/块的来源（PDF解码器，分块器）：已经使用了。 derived_entity_triples()，这对于每个实体而言，而不是每个三元组而言——没有。 重复问题。

82edf2d (New md files from RunPod)

实现说明

处理器循环重构

之前（每个三元组，在关系中）：

for rel in rels:
    # ... build relationship_triple ...
    stmt_uri = statement_uri()
    prov_triples = triple_provenance_triples(
        stmt_uri=stmt_uri,
        extracted_triple=relationship_triple,
        ...
    )
    triples.extend(set_graph(prov_triples, GRAPH_SOURCE))

在 (子图) 之后：

sg_uri = subgraph_uri()

for rel in rels:
    # ... build relationship_triple ...
    extracted_triples.append(relationship_triple)

prov_triples = subgraph_provenance_triples(
    subgraph_uri=sg_uri,
    extracted_triples=extracted_triples,
    chunk_uri=chunk_uri,
    component_name=default_ident,
    component_version=COMPONENT_VERSION,
    llm_model=llm_model,
    ontology_uri=ontology_uri,
)
triples.extend(set_graph(prov_triples, GRAPH_SOURCE))

新的辅助签名

def subgraph_provenance_triples(
    subgraph_uri: str,
    extracted_triples: List[Triple],
    chunk_uri: str,
    component_name: str,
    component_version: str,
    llm_model: Optional[str] = None,
    ontology_uri: Optional[str] = None,
    timestamp: Optional[str] = None,
) -> List[Triple]:
    """
    Build provenance triples for a subgraph of extracted knowledge.

    Creates:
    - tg:contains link for each extracted triple (RDF-star quoted)
    - One prov:wasDerivedFrom link to source chunk
    - One activity with agent metadata
    """

破坏性变更

这是一个对溯源模型的重大更改。 溯源功能尚未发布，因此无需迁移。旧的 tg:reifies / tg:reifies 代码可以直接删除。 statement_uri 代码可以直接删除。